[发明专利]一种耗电功率仿真预测方法及存储介质

说明书

本发明提供一种耗电功率仿真预测方法及存储介质，通过将预设历史段的瞬时耗电功率进行两次泊松拟合，得到预测时间段的波动率分布以及预测时间段的用单单元数量分布；再根据所述得到预测时间段的波动率分布以及预测时间段的用单单元数量分布计算得到预测时间段的瞬时耗电功率，并且精确到每一分钟，提高本发明的仿真预测的精度。本发明还采用深度学习的方式进行每日平均耗电功率预测，在深度学习过程采用的数据不仅有瞬时耗电功率，还有气象数据和空气质量数据，由于天气情况、空气质量都会影响用电单元的行为，进而影响用电实体的耗电功率，最终会导致耗电功率发生变化，因此考虑气象数据和空气质量数据，可以进一步提高预测准确率。

技术领域

本发明涉及用电技术领域，特别涉及一种耗电功率仿真预测方法及存储介质。

背景技术

随着供电技术的发展以及发电方式的多样化，在多种能源中，电能逐渐占据了主导地位。作为世界最大的能源消费国，中国的能源消耗随着工业技术水平和人们的生活水平提高而节节攀升，能源管理对于能源的供给侧与消费侧都已成为重要而迫切的任务。根据需求侧响应理论，通过直接反馈用户实时电能消耗的细化信息可以降低4％-15％的用电量，有利于维持电能的供需平衡以及电力系统的安全稳定。为了合理安排能源生产及管理，应对用电高峰时段不均匀能耗的问题，电能数据的有效仿真与预测成为了迫在眉睫的任务。

现有的能源预测方法大多数立足于判断能源消耗的总体趋势，缺乏基于具体用电单位历史数据的可靠预测与仿真，也没有将用电功率的瞬时波动率考虑在内，因此判断的结果精度不够准确。近年来，随着大数据和人工智能技术不断发展，深度学习模型广泛地应用于预测领域，也在能源消费预测领域得到了有效实践。然而，由于具体用电单位的用电数据也存在高噪声、不稳定的特点，对电能消耗的有效仿真仍然是需要解决的技术问题。

因此，急需提出一种耗电功率仿真预测方法及系统，将瞬时波动率用于仿真模型中，可以解决预测结果的精度不准等问题。

发明内容

本发明的目的在于，提供一种耗电功率仿真预测方法及存储介质，通过结合波动率以及用户单元个数的预测进而得到未来一定时间范围内某一时间段或时间点的瞬时耗电功率预测，可以有效解决了传统预测时间范围大等问题；并且通过深度学习将气象数据和空气质量数据引入到预测模型中，可以提高预测准确率。

为解决上述技术问题，本发明提供一种耗电功率仿真预测方法，包括如下步骤：数据库建立步骤，录入至少一用电实体的用电数据至一数据库，每一用电实体包括至少一用电单元；每一用电实体的用电数据包括该用电实体的预设历史时间段的瞬时耗电功率及该用电实体内用电单元的数量，所述预设历史时间段包含多个第一时间序列；第一样本采集步骤，从所述数据库中采集第一样本，每一第一样本包括第一时间序列的瞬时耗电功率以及用电单元数量；以及第一仿真步骤，利用所述第一样本构建第一仿真模型；并输出第二时间序列的每天平均瞬时耗电功率，所述第二时间序列晚于所述预设历史时间段。

进一步地，每一用电实体的用电数据还包括空气质量数据以及气温数据，所述预设历史时间段还包含多个第三时间序列；所述耗电功率仿真预测方法还包括：第二样本采集步骤，从所述数据库中采集第二样本，所述第二样本包括第三时间序列瞬时耗电功率、空气质量数据以及气温数据；第二样本分类步骤，将所述第二样本随机分成第二训练样本及第二测试样本两类；第二预测模型构建步骤，利用两个以上第二训练样本训练并构建预测模型；第二预测步骤，将所述第二测试样本输入至所述第二预测模型得到第四时间序列的耗电功率，所述第四时间序列包含于所述第三时间序列。

进一步地，所述预设历史时间段的瞬时耗电功率的时间间隔为0.5～1.5分钟；和/或，所述第一时间序列的时间范围为1～28天；和/或，所述第三时间序列的时间范围为28天～84天。